Electrocardiogram signals de-noising using lifting-based discrete wavelet transform

Erçelebi, Ergün

doi:10.1016/s0010-4825(03)00090-8

Cited by 138 publications

(61 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The wavelet output can also be fed to a neural network as described in [108]. Wavelets have also been successfully used to suppress EMG based noise in ECG applications [19,31] A patient-adoptable ECG classifier was described in [44]. It uses neural networks to classify an ECG based on two training data sets; one consisting of the patient's previous recordings, and one consisting of a database of many people.…”

Section: Heartbeat Detectionmentioning

confidence: 99%

Smartware electrodes for ECG measurements : Design, evaluation and signal processing

Rattfält¹

2013

View full text Add to dashboard Cite

Printed in Sweden by LiU-Tryck, Linköping During the course of the research underlying this thesis, Linda Rattfält was enrolled in Forum Scientium, a multidisciplinary doctoral programme at Linköping University, Sweden.i Håll koll på hjärtat med smarta EKG-elektroderBefolkningen i västvärlden blir allt äldre och i samband med detta ökar även andelen av åldersrelaterade sjukdomar. Dessa åkommor står redan för en stor del av hälso-och sjukvårdsresurserna och därför har man nationellt och internationellt efterfrågat alternativa strategier för att kunna tillgodose det kommande vårdbe-hovet på ett kostnadseffektivt sätt. En av strategierna är att med hjälp av använ-darvänlig mätutrustning hemifrån kunna följa upp tex hjärtåkommor så att de kan behandlas innan tillståndet eventuellt blir akut.Den här avhandlingen berör forskning som syftar till att skapa en tillförlitlig mät-metod av hur hjärtat arbetar, varhelst personen befinner sig, med hjälp av smarta elektroder. Speciellt berörs hur de smarta elektrodernas prestanda är i jämförelse med konventionella elektroder som används inom vården samt hur man kan använda signalbehandling för att förbättra mätkvaliteten.Hjärtats elektriska aktivitet kan mätas med ett så kallat elektrokardiogram, EKG, genom att fästa två eller fler elektroder på kroppen och koppla dessa till ett mät-system. Vanligtvis används elektroder med klisterlappar som placeras på exakta platser på kroppen. Den här typen av mätning är välspridd och anses viktig inom vården, men lämpar sig inte för hemmabruk eftersom elektrodförberedelser och placering inte kan säkerställas. Istället föreslår vi att man kan använda smarta elektroder, tex gjorda av textil eller i form av screentryck. Elektroderna skulle sedan kunna användas i mer användarvänliga sensorer, tex i linningar på kläder eller i form av en gjördel som man tar på sig vid mättillfället. De smarta elektrodernas egenskaper spelar stor roll då man mäter ett EKG. Om man använder fel material eller utförande, kan elektroden i sig skapa störningar som förstör mät-ningarna. Därför har vi testat hur de alternativa elektroderna fungerar jämfört mot vanliga elektroder som används idag. Våra tester visar att flera av de smarta elektroder vi testat är nästan lika stabila som vanliga elektroder. Dock medför de smarta elektroderna ofta ett större motstånd, så kallad impedans, för signalen att ta sig igenom till själva mätsystemet, något som är viktigt att tänka på när mätsystemet utformas.Förutom att göra användarvänliga sensorer av smarta elektroder, anser vi att man kan minska graden av störningar genom att man samlar in flera signaler samtidigt och väger samman dem till en förhoppningsvis mer tillförlitlig signal. Detta kan göras på många sätt och två sätt presenteras i avhandlingen. Det första sättet använder statistik för att urskilja olika delsignaler i den inspelade signalen. På det här sättet kan man få en delsignal som avspeglar hjärtats aktivitet och en annan som exempelvis innehåller brus. Vid en jämförelse mot två andra metoder fick vi att vår met...

show abstract

Section: Heartbeat Detectionmentioning

confidence: 99%

Smartware electrodes for ECG measurements : Design, evaluation and signal processing

Rattfält¹

2013

View full text Add to dashboard Cite

show abstract

“…There are two important artifacts that get intermixed with the ECG are high frequency noise that includes electromyogram noise (because of muscle's activity), motion artifacts (because of electrode motion) [4], channel noise (White Gaussian Noise introduced during Transmission through channels), and power line interferences and the low frequency noise i.e., baseline wandering because of breathing or coughing [1].In the literature for ECG denoising Number of techniques have been reported. That uses morphological filter to remove the MA Noise [4], adaptive algorithm (RLS) [5], wiener filtering [6], wavelet transform (WT) [7]- [11], advanced averaging technique [12], [13], independent component analysis [14] and BWT (bionic wavelet transform) showing better result over WT [15].…”

Section: Introductionmentioning

confidence: 99%

Study on Different Techniques for Denoising of ECG Signal

Morya¹,

Agrawal²

2017

International Journal of Innovative Research in Electrical, Ele

View full text Add to dashboard Cite

Abstract:In medical field for diagnosis of heart diseases electrocardiogram (ECG) is used and plays very important role. For better diagnosis a good quality ECG signal is required. Sometimes the problems occur is that noises corrupt the previously recorded ECG signals, significantly they are of two types:-electromyogram induced high-frequency noise, electrodes experience mechanical force, baseline wander this may be due to breathing process or the motion of the patients or the instruments. So that there will be wrong diagnosis. This paper introducing Emperical Mode Decomposition method for denoising of ECG, also introducing other methods for denoising included ecg analysis based on wavelet transform and modulus maxima, time-frequency dependent threshold, artificial neural networks and mathematical algorithm using window analysis.

show abstract

“…It is also proposed a lifting-based discrete wavelet transform to denoise ECG signals. Through testing with Haar, Db4, Db6, Filter (9-7), and Cubic B-splines, Db4 decomposition in 4 scales with level dependent threshold estimator can get best SNR and visual inspection in de-noising [13].…”

Section: Introductionmentioning

confidence: 99%